公开(公告)号：CN111832432A

公开(公告)日：2020-10-27

申请号：CN202010584310.8

申请日：2020-06-23

Applicant: 华中科技大学

Inventor： 史铁林 ,  段暕 ,  轩建平 ,  詹小斌 ,  江苏 ,  景锐真

IPC: G06K9/00 ,  G06K9/62 ,  G05B19/4065 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于刀具状态监测相关技术领域，其公开了基于小波包分解和深度学习的刀具磨损实时预测方法，包括以下步骤：(1)同步采集工件加工过程中的相关传感器信号，并选取其中稳定的信号段作为待分析的信号段，同时扩充待分析信号样本以增加样本量；对待分析信号进行小波包分解变换，以得到多个小波包系数二维矩阵；(2)小波包系数二维矩阵对应都作为一个特征提取CNN模型块的输入，并将每个特征提取CNN模型块输出的一维特征矩阵拼接成更长的一维矩阵，进而进行特征融合并建立两层全连接网络，由此得到卷积神经网络模型；(3)将待分析的信号数据输入到所述卷积神经网络模型中，以实时预测刀具的磨损量。本发明能降低成本，且适用性强。

公开(公告)号：CN111832432B

公开(公告)日：2022-03-18

申请号：CN202010584310.8

申请日：2020-06-23

Applicant: 华中科技大学

Inventor： 史铁林 ,  段暕 ,  轩建平 ,  詹小斌 ,  江苏 ,  景锐真

IPC: G06K9/00 ,  G06K9/62 ,  G05B19/4065 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于刀具状态监测相关技术领域，其公开了基于小波包分解和深度学习的刀具磨损实时预测方法，包括以下步骤：(1)同步采集工件加工过程中的相关传感器信号，并选取其中稳定的信号段作为待分析的信号段，同时扩充待分析信号样本以增加样本量；对待分析信号进行小波包分解变换，以得到多个小波包系数二维矩阵；(2)小波包系数二维矩阵对应都作为一个特征提取CNN模型块的输入，并将每个特征提取CNN模型块输出的一维特征矩阵拼接成更长的一维矩阵，进而进行特征融合并建立两层全连接网络，由此得到卷积神经网络模型；(3)将待分析的信号数据输入到所述卷积神经网络模型中，以实时预测刀具的磨损量。本发明能降低成本，且适用性强。